极端值理论在尾部风险度量中的应用：广义帕累托(POT)与 Hill 估计 • halo 的技术博客

风险管理的核心不是「平均会怎样」，而是「最坏会怎样」。而金融收益最反直觉的一点就是：尾部比正态厚得多。

如果你用正态分布算 99.9% VaR，会把极端亏损低估一大截——2008 年、2020 年那种「几十年一遇」的跳空，在正态假设下几乎是概率为 0 的事件，却在现实里反复发生。极端值理论（Extreme Value Theory, EVT）提供了一套只聚焦尾部、不假设整体分布的统计工具，让你用有限的历史数据，对「真正的小概率大亏损」做有依据的推断。

本文用一段 4000 个观测的 Student-t(df=4) 合成序列（理论尾指数 $\xi=1/\text{df}=0.25$ ），亲手走完 EVT 的全部流程：QQ 诊断 → 选阈值 → GPD 拟合 → Hill 估计 → 计算极端 VaR/CVaR，所有数字和配图由文末代码真实生成。

一、为什么正态不够：QQ 图一眼看穿肥尾#

把样本分位对正态分位画 QQ 图。如果是正态，点应落在 45° 参考线上；金融收益的点会在两端明显翘起——同样的「理论分位数」，样本实际收益更极端。这就是肥尾：极端值比正态预言的多得多。

QQ 图：样本收益 vs 正态，尾部偏离直线 = 肥尾

本文数据峰度 11.26（正态只有 3），是典型厚尾。正态假设下算出的 VaR，在 99.9% 这种极端置信度上会系统性偏低——这正是 EVT 要纠正的。

二、极值两大定理：BM 与 POT#

EVT 有两个支柱：

区块最大值（BM）：把数据分块、取每块最大值，其极限分布是广义极值分布（GEV：Gumbel/Fréchet/Weibull 三类）。
超阈值峰值（POT，本文主角）：超越某个高阈值 $u$ 的超额损失 $Y=X-u$ ，其极限分布是广义帕累托分布（GPD）：

$G_{\xi,\beta}(y)=1-\left(1+\frac{\xi y}{\beta}\right)^{-1/\xi},\qquad y\ge 0$

$\xi$ ：形状参数 / 尾指数。 $\xi>0$ 是肥尾（Pareto 型，方差可无穷）， $\xi=0$ 是指数尾， $\xi<0$ 是短尾（有界）。金融里几乎总是 $\xi>0$ 。
$\beta>0$ ：尺度参数。

POT 比 BM 更省数据：它不丢信息，用到阈值之上所有极端观测，而不是每块只保留一个最大值。

三、选阈值：平均超额函数（ME）图#

POT 的命脉是阈值 $u$ 的选择。太高→超额样本太少、估计噪；太低→GPD 近似不成立。诊断工具是平均超额函数：

$\text{ME}(u)=\mathbb{E}[X-u\mid X>u]$

GPD 有个漂亮性质：当 $u$ 进入 GPD 近似区后， $\text{ME}(u)$ 关于 $u$ 近似线性（斜率 $\xi/(1-\xi)$ ）。所以看图：选使 ME 曲线变线性的最小 $u$ 。

平均超额函数图：u 之上近似线性即可选作阈值

本文对「损失」 $L=-R$ 操作（风险关心的是大亏损），取损失 95% 分位 $u=2.04\%$ 为阈值，得到 $N_u=200$ 个超额观测——样本量充足又进入了线性区。

四、Hill 估计：只看最极端的几个点#

尾指数 $\xi$ 还有一个经典估计量——Hill 估计，直接用上尾最大的 $k$ 个观测：

$\hat\gamma(k)=\frac{1}{k}\sum_{i=1}^{k}\log X_{(n-i+1)}-\log X_{(n-k)}$

对不同的 $k$ 画 Hill 图，取曲线平稳段的均值作为 $\xi$ 的估计。平稳段意味着「再多加几个极端点，估计也稳定」，这是估计可靠的标志。

Hill 图：损失上尾指数在 k∈[200,600] 平稳

本文 Hill 平稳段给出 $\hat\gamma\approx 0.39$ 。注意它略高于下面 GPD MLE 的结果——这本身就是真实陷阱（见第六节），但二者都明确指向 $\xi>0$ 的肥尾。

五、GPD 的 MLE 拟合与极端 VaR/CVaR#

固定 $\xi$ 后，GPD 的对数似然为

$\ell(\xi,\beta)=-N_u\log\beta-\left(\frac{1}{\xi}+1\right)\sum_{i=1}^{N_u}\log\!\left(1+\frac{\xi y_i}{\beta}\right)$

对 $(\xi,\beta)$ 做网格搜索最大化即可（无需 scipy）。代入阈值之上的超额损失，本文得到：

$\hat\xi=0.259,\qquad \hat\beta=0.768\%$

几乎精确还原了理论值 $\xi=0.25$ ——EVT 在这组数据上自我验证成功。

有了 $(\hat\xi,\hat\beta,u)$ ，极端分位有解析公式（置信度 $q$ ，如 0.99）：

$\text{VaR}_q=u+\frac{\hat\beta}{\hat\xi}\left[\left(\frac{(1-q)n}{N_u}\right)^{-\hat\xi}-1\right]$

$\text{CVaR}_q=\frac{\text{VaR}_q}{1-\hat\xi}+\frac{\hat\beta-\hat\xi u}{1-\hat\xi}$

把三种 VaR 摆在一起（均为潜在损失，正值）：

置信度	正态假设 VaR	经验(历史) VaR	EVT-GPD VaR	EVT CVaR
95%	2.32%	2.04%	2.04%	3.07%
99%	3.27%	3.57%	3.57%	5.15%
99.9%	4.34%	7.99%	7.24%	10.10%

VaR 对比：越往尾部，正态 VaR 越低估风险

结论一目了然：越靠近尾部，正态假设越离谱。在 99.9% 置信度，正态 VaR 只有 4.34%，而 EVT 给出 7.24%、经验值更高达 7.99%——正态把极端风险低估了约 67%。这正是 2008/2020 式崩盘「模型里看不见、市场上真发生」的根因。EVT-GPD 的 CVaR（10.10%）进一步告诉我们：一旦发生超过 VaR 的极端亏损，平均还要再亏约 3 个百分点。

六、完整实现（纯 numpy 可复现）#

import numpy as np

# 1) 损失 = -收益；取损失的 95% 分位为阈值
L = -R
u_sel = np.quantile(L, 0.95)
excess = L[L > u_sel] - u_sel
Nu, xbar = len(excess), excess.mean()

# 2) GPD 的负对数似然（网格搜索最大化）
def gpd_nll(xi, beta, z=excess):
    if beta <= 0: return 1e18
    s = 1 + xi * z / beta
    if np.any(s <= 0): return 1e18
    return Nu * np.log(beta) + (1/xi + 1) * np.sum(np.log(s))

best = (1e18, None, None)
for xi in np.linspace(-0.4, 0.7, 600):
    for beta in np.linspace(0.3*xbar, 3.0*xbar, 600):
        nll = gpd_nll(xi, beta)
        if nll < best[0]: best = (nll, xi, beta)
_, xi_hat, beta_hat = best

# 3) Hill 估计（上尾，从大到小排序）
Ls = np.sort(L)[::-1]
Ks = np.arange(50, 900, 10)
hill = [np.mean(np.log(Ls[:k])) - np.log(Ls[k-1]) for k in Ks]
hill_stable = np.mean([h for h, k in zip(hill, Ks) if 200 <= k <= 600])

# 4) EVT 极端 VaR/CVaR（q 为置信度，如 0.99）
def evt_var(q, u=u_sel, xi=xi_hat, beta=beta_hat):
    return u + beta/xi * (((1-q)*len(L)/Nu) ** (-xi) - 1)
def evt_cvar(q):
    v = evt_var(q); return v/(1-xi_hat) + (beta_hat - xi_hat*u_sel)/(1-xi_hat)

python

高斯 VaR 需要正态逆 CDF，可用 scipy.stats.norm.ppf，或一段 Acklam 近似（本文生成脚本里已内置）。正态 VaR 公式即 $\text{VaR}_q^{\text{Gauss}}=\mu_L+\sigma_L\,\Phi^{-1}(q)$ 。

七、真实陷阱（踩坑清单）#

阈值主观性：不同 $u$ 给不同 $\xi$ 、不同 VaR。务必用 ME 图 + Hill 图交叉验证，而不是拍脑袋选分位数。
Hill 与 MLE 不一致：本文 Hill $\hat\gamma\approx0.39$ 而 GPD MLE $\hat\xi=0.26$ ，差距来自 Hill 只用最极端的 $k$ 个 order statistics、对二阶偏差敏感，MLE 用到阈值之上全部样本。二者天然不同，实战里都报、都看，别迷信单一估计量。
小样本极不稳定：尾部样本本就稀少， $N_u$ 从 200 掉到 50，VaR 能漂移几个百分点。极端分位估计的置信区间很宽，要当「区间」而非「点」。
单变量≠联合：EVT 在这里只建模单资产损失尾。真正的风险是联动——危机里什么都一起跌，多元尾部（t-Copula、联合 EVT）才是组合 VaR 的正确工具。
非平稳：用 2021–2023 的温和样本估出的 $\xi$ ，套不到 2008 的恐慌。波动率聚集 + regime 切换意味着历史尾部不代表未来尾部，需滚动/情境化。
外推的边界：99.9% 已经接近 POT 外推极限；再往 99.99% 走，结果对阈值和 $\xi$ 高度敏感，参考价值迅速下降。EVT 不是「无限外推许可证」。

八、结论#

EVT 不承诺预测崩盘，但它做了一件更踏实的事：承认「我们没见过最坏的」，并据此给尾部一个比正态诚实得多的尺度。POT + GPD 把「超越阈值后的超额损失」单独建模，Hill 估计与 MLE 交叉确认尾指数，最终算出的极端 VaR/CVaR，是风控里真正该挂在墙上的那几个数字。记住它的边界——阈值要选对、样本要够、联动要考虑、非平稳要警惕——EVT 才会从「漂亮的公式」变成「能救命的工具」。

所有图表与统计数字（QQ、ME 图、Hill 图、GPD 拟合 $\hat\xi=0.259$ 、各置信度 VaR/CVaR）均由 generate_evt_tail_risk_images.py 真实计算生成。